YOLO11 vs YOLOv5: Ultralytics 아키텍처에 대한 포괄적인 기술 비교
올바른 신경망 아키텍처를 선택하는 것은 모든 computer vision 프로젝트에서 중추적인 결정입니다. artificial intelligence 환경이 진화함에 따라 개발자와 연구자가 사용할 수 있는 도구도 함께 발전하고 있습니다. 이 포괄적인 가이드는 Ultralytics 생태계의 두 가지 기념비적인 모델인, 매우 유명한 YOLOv5와 최첨단 YOLO11에 대한 심도 있는 기술적 비교를 제공합니다.
edge AI 애플리케이션을 위한 경량 모델을 배포하든 클라우드 GPU에서 고해상도 비디오 스트림을 처리하든, 이러한 모델의 아키텍처적 뉘앙스, performance metrics 및 이상적인 사용 사례를 이해하면 특정 배포 제약 조건에 맞는 데이터 기반의 선택을 할 수 있습니다.
모델 계보 및 기술 세부 정보
두 모델 모두 오픈 소스 협업, 강력한 성능, 타의 추종을 불허하는 사용 편의성에 대한 Ultralytics의 헌신을 반영하며, 전 세계 머신 러닝 커뮤니티로부터 매우 높은 평가를 받고 있습니다.
YOLO11 세부 정보
- 저자: Glenn Jocher 및 Jing Qiu
- 조직: Ultralytics
- 날짜: 2024-09-27
- GitHub: ultralytics/ultralytics
- 문서: YOLO11 Documentation
YOLOv5 세부 정보
- 저자: Glenn Jocher
- 조직: Ultralytics
- 날짜: 2020-06-26
- GitHub: ultralytics/yolov5
- 문서: YOLOv5 Documentation
아키텍처 차이
YOLOv5에서 YOLO11로의 진화는 정확도와 파라미터 효율성을 최적화하기 위해 설계된 몇 가지 심오한 아키텍처적 변화를 가져왔습니다.
YOLOv5는 PyTorch 생태계의 선구자였으며, 고도로 최적화된 CSPNet(Cross Stage Partial Network) 백본과 PANet(Path Aggregation Network) 넥을 도입했습니다. 이 모델은 앵커 기반 탐지 방식을 사용했으며, 이는 객체 경계를 예측하기 위해 미리 정의된 anchor boxes를 필요로 했습니다. 매우 효과적이었지만, 커스텀 computer vision datasets를 위해 이러한 앵커를 조정하는 것은 번거로울 수 있었습니다.
In contrast, YOLO11 transitions to a more modern, anchor-free detection paradigm. This eliminates the need for manual anchor box tuning, streamlining the training process and improving generalization across diverse datasets like the COCO dataset. Additionally, YOLO11 features a decoupled head, meaning classification and bounding box regression tasks are processed in separate branches. This separation significantly improves convergence speed and mean Average Precision (mAP), particularly for complex object detection scenarios.
성능 지표 및 벤치마크
아래 표는 다양한 모델 크기에 걸친 주요 지표를 비교합니다. Ultralytics 모델은 메모리 요구 사항으로 유명하며, 일반적으로 대규모 Transformer 기반 대안과 비교하여 훈련 중 CUDA 메모리를 적게 소비하므로 하드웨어 진입 장벽을 대폭 낮춥니다.
| 모델 | 크기 (픽셀) | mAPval 50-95 | 속도 CPU ONNX (ms) | 속도 T4 TensorRT10 (ms) | 파라미터 (M) | FLOPs (B) |
|---|---|---|---|---|---|---|
| YOLO11n | 640 | 39.5 | 56.1 | 1.5 | 2.6 | 6.5 |
| YOLO11s | 640 | 47.0 | 90.0 | 2.5 | 9.4 | 21.5 |
| YOLO11m | 640 | 51.5 | 183.2 | 4.7 | 20.1 | 68.0 |
| YOLO11l | 640 | 53.4 | 238.6 | 6.2 | 25.3 | 86.9 |
| YOLO11x | 640 | 54.7 | 462.8 | 11.3 | 56.9 | 194.9 |
| YOLOv5n | 640 | 28.0 | 73.6 | 1.12 | 2.6 | 7.7 |
| YOLOv5s | 640 | 37.4 | 120.7 | 1.92 | 9.1 | 24.0 |
| YOLOv5m | 640 | 45.4 | 233.9 | 4.03 | 25.1 | 64.2 |
| YOLOv5l | 640 | 49.0 | 408.4 | 6.61 | 53.2 | 135.0 |
| YOLOv5x | 640 | 50.7 | 763.2 | 11.89 | 97.2 | 246.4 |
보시는 바와 같이, YOLO11은 YOLOv5 대응 모델과 비교하여 파라미터 수에서 더 높은 mAP 점수를 지속적으로 제공하며 매우 유리한 성능 균형을 달성합니다.
훈련 방법론 및 사용성
Ultralytics 철학의 핵심 원칙은 잘 유지 관리되는 생태계와 광범위한 커뮤니티 지원을 통해 뒷받침되는 뛰어난 사용 편의성입니다.
YOLOv5는 역사적으로 실행을 위해 강력한 CLI(명령줄 인터페이스) 스크립트(train.py, detect.py)에 의존했습니다. 강력하기는 하지만 이러한 스크립트를 사용자 지정 Python 애플리케이션에 직접 통합하는 데는 종종 우회적인 방법이 필요했습니다.
YOLO11 revolutionized this by introducing the streamlined ultralytics Python package. This unified API handles everything from training to exporting models formats like ONNX, OpenVINO, and TensorRT natively.
완전히 코드가 필요 없는(no-code) 경험을 위해 개발자는 Ultralytics Platform을 활용하여 데이터를 주석 처리하고, 클라우드에서 모델을 훈련하며, 엣지 장치에 원활하게 배포할 수 있습니다.
코드 비교
오늘날 Ultralytics 모델을 훈련하는 것은 매우 효율적입니다. 네이티브 Python API를 사용하여 YOLO11을 훈련하는 방법은 다음과 같습니다:
from ultralytics import YOLO
# Load a pretrained YOLO11 small model
model = YOLO("yolo11s.pt")
# Train the model on custom data
results = model.train(data="coco8.yaml", epochs=50, imgsz=640, device=0)
# Export the model to ONNX for deployment
model.export(format="onnx")YOLOv5를 사용하는 레거시 시스템의 경우, CLI를 통한 훈련은 다음과 같습니다:
# Clone the repository and run the training script
git clone https://github.com/ultralytics/yolov5
cd yolov5
pip install -r requirements.txt
python train.py --img 640 --batch 16 --epochs 50 --data coco128.yaml --weights yolov5s.pt이상적인 사용 사례 및 실무 응용
두 모델 모두 다양한 운영 환경에 맞춰진 고유한 강점을 가지고 있습니다.
YOLOv5를 활용해야 할 때
최신 세대임에도 불구하고 YOLOv5는 여전히 강력한 도구입니다. 다음과 같은 경우에 적극 권장됩니다:
- 레거시 시스템 통합: YOLOv5의 특정 텐서 구조나 배포 파이프라인과 깊이 통합되어 있어 쉽게 리팩토링할 수 없는 환경.
- 학술적 기준점(Academic Baselines): medical image analysis 분야에서 재현 가능한 학술 연구를 위해 확립된 장기적 기준점이 필요한 연구자.
YOLO11을 활용해야 할 때
YOLO11은 놀라운 범용성으로 인해 최신 프로덕션 파이프라인에 이상적인 선택입니다:
- 멀티 태스크 환경: 주로 탐지기(이후 세그멘테이션 추가 포함)인 YOLOv5와 달리, YOLO11은 instance segmentation, image classification, pose estimation 및 Oriented Bounding Box (OBB) 탐지를 즉시 기본적으로 지원합니다.
- 고밀도 비디오 분석: 지능형 교통 시스템이나 복잡한 장면에서 최대 정밀도를 추출하는 것이 중요한 retail inventory management에 이상적입니다.
앞으로의 전망: YOLO26 아키텍처
YOLO11이 탁월한 표준으로 자리 잡고 있지만, 컴퓨터 비전의 개척지는 계속해서 빠르게 발전하고 있습니다. 최고의 효율성을 추구하는 개발자는 최신 Ultralytics YOLO26(2026년 1월 출시)도 고려해야 합니다.
YOLO26은 엣지 최적화와 엔터프라이즈 규모 모두를 위해 명확하게 설계된 거대한 도약을 의미합니다. 주요 혁신 사항은 다음과 같습니다:
- 엔드투엔드 NMS-Free 설계: YOLO26은 네이티브 엔드투엔드 방식으로, 더 빠르고 단순한 배포를 위해 Non-Maximum Suppression (NMS) 후처리를 제거했습니다.
- DFL 제거: 모델 내보내기를 간소화하고 저전력 장치 호환성을 향상시키기 위해 Distribution Focal Loss가 제거되었습니다.
- MuSGD Optimizer: SGD와 Muon의 획기적인 하이브리드로, 더 빠른 수렴을 위해 LLM 훈련의 안정성을 컴퓨터 비전에 도입했습니다.
- 최대 43% 더 빠른 CPU 추론: IoT 배포 및 전용 GPUs가 없는 장치에 대해 대폭 최적화되었습니다.
- ProgLoss + STAL: 항공 드론 이미지에 필수적인 소형 객체 인식에서 눈에 띄는 개선을 제공하는 대폭 향상된 손실 함수.
요약
YOLO11과 YOLOv5 중 하나를 선택하는 것은 궁극적으로 프로젝트의 수명 주기 단계에 따라 달라집니다. YOLOv5의 레거시는 부인할 수 없으며, 극한의 안정성과 거대한 커뮤니티 지원을 제공합니다. 그러나 모든 신규 프로젝트의 경우, YOLO11이 이전 세대보다 강력히 권장됩니다. 이는 최첨단 정확도, 매우 우아한 Python API 및 낮은 훈련 메모리 오버헤드를 결합하여 AI 혁신의 최전선에서 Ultralytics의 위치를 확고히 합니다. 경계를 더욱 넓히려는 분들은 Ultralytics Platform에서 최첨단 YOLO26을 탐색하여 타의 추종을 불허하는 결과를 얻을 수 있을 것입니다.